检索结果

Select

1. 基于并行跟踪检测框架与深度学习的目标跟踪算法

闫若怡, 熊丹, 于清华, 肖军浩, 卢惠民

计算机应用 2019, 39 (2): 343-347. DOI: 10.11772/j.issn.1001-9081.2018061211

摘要（522）

PDF （973KB）（429）

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于RANSAC和Kalman滤波的足球机器人球速估计算法

董鹏卢惠民杨绍武张辉郑志强

计算机应用 2010, 30 (9): 2305-2309.

摘要（1144）

PDF （813KB）（991）

针对中型组足球机器人如何有效地估计足球速度的问题，提出了一种基于Kalman滤波和RANSAC算法的新方法。首先对存储的若干帧足球位置信息作Kalman滤波，接着利用这些足球位置信息，建立若干个可能的足球速度模型并运用随机采样一致(RANSAC)算法选出最优的速度模型作为速度值。实验结果验证了该算法的有效性，同时由于RANSAC算法可以有效地去除外点的干扰，因此当足球位置信息具有较大噪声时，该方法可以较准确地估计足球的速度，较以往球速估计的算法具有更高的鲁棒性。